はじめに：AI動画生成の民主化
Runway Gen-3やKling AIといった商用サービスがAI動画生成をリードしてきた一方で、2025年以降はオープンソースの動画生成モデルが急速に追いついてきました。その中で最も注目を集めているのが Wan2.1 です。
2026年現在、Wan2.1はオープンソースの動画生成モデルとして最も高い評価を受けており、ComfyUIとの組み合わせでローカル環境でも十分実用的な動画が生成できるようになっています。
関連記事：AnimateDiff入門
Wan2.1とは
Wan2.1は、Alibaba（阿里巴巴） が開発・オープンソースで公開したAI動画生成モデルです。「Wan」は中国語で「万（よろず）」に由来し、汎用性の高さを表しています。
特徴
- テキストtoビデオ（T2V）：テキストプロンプトから動画を生成
- 画像toビデオ（I2V）：静止画を動かして動画にする
- オープンウェイトで商用利用可能なライセンス
- 中国語・英語両対応のプロンプト
- AnimateDiffと比べてより自然な動きを生成
Wan2.1のバリアント
Wan2.1には複数のバリアントがあります。
| モデル | パラメータ | 用途 | VRAM目安 |
|---|---|---|---|
| Wan2.1-T2V-1.3B | 1.3億 | テキスト→動画（軽量） | 8GB〜 |
| Wan2.1-T2V-14B | 140億 | テキスト→動画（高品質） | 24GB〜 |
| Wan2.1-I2V-14B-480P | 140億 | 画像→動画（480p） | 16GB〜 |
| Wan2.1-I2V-14B-720P | 140億 | 画像→動画（720p） | 24GB〜 |
VRAM 12GB以下のユーザーには1.3Bモデルから始めることを強く推奨します。14Bモデルはクオリティが大幅に向上しますが、それ相応のVRAMが必要です。
動作要件
| VRAM | 動作可能なモデル | 速度目安（10秒動画） |
|---|---|---|
| 8GB | T2V 1.3B（量子化） | 20〜40分 |
| 12GB | T2V 1.3B | 10〜20分 |
| 16GB | T2V 1.3B / I2V 14B-480P（量子化） | 5〜15分 |
| 24GB | 全モデル | 3〜10分 |
注意：動画生成はStable Diffusion静止画と比べてはるかに多くのVRAMと時間を要します。10秒の動画生成に数十分かかることは珍しくありません。
ComfyUIでのセットアップ手順
前提条件
- ComfyUI がインストール済み
- ComfyUI-Manager がインストール済み
ステップ1：必要なカスタムノードのインストール
ComfyUI-Managerから以下をインストールします。
ComfyUI-WanVideoWrapper または
ComfyUI_VideoHelperSuiteまたは手動でインストール：
cd ComfyUI/custom_nodes
git clone https://github.com/kijai/ComfyUI-WanVideoWrapper.gitステップ2：モデルのダウンロード
Hugging Face からモデルをダウンロードします。
ComfyUI/models/
├── wan/
│ ├── Wan2_1-T2V-1.3B/ ← T2V 1.3B モデルファイル
│ └── Wan2_1-T2V-14B/ ← T2V 14B モデルファイル
└── clip/
└── umt5-xxl-enc-bf16.safetensors ← テキストエンコーダーステップ3：ワークフローの読み込み
ComfyUIのGitHubリポジトリや ComfyUI Examplesから Wan2.1用のワークフローJSONをダウンロードし、ComfyUIにドラッグ&ドロップで読み込みます。
n*参考イメージ：T2Vで生成されるシーン例*n
テキストtoビデオ（T2V）の使い方
プロンプトの書き方
Wan2.1は英語の自然文と中国語の両方に対応しています。英語での記述が最も安定しています。
Stable Diffusionのようなタグ形式より、動きや状況を描写する文章形式が効果的です。
A young woman in a white dress walks slowly through a sunlit forest, her hair flowing in the breeze, dappled light filtering through the trees動きを明示するコツ
静止した描写より、動作・変化を含む文章の方が動画らしい出力になります。
（静止寄り）A girl standing by the window
（動き寄り）A girl slowly turns to face the camera by a sunlit window, her hair gently swaying動画特有のキーワード
smooth camera movement, slow pan, gentle zoom, cinematic motion, natural movement, realistic motion
n*参考イメージ：I2Vの流れをイメージしたビジュアル*n
画像toビデオ（I2V）の使い方
I2Vは静止画を動かすモードです。Stable Diffusionで生成した画像をベースに、その画像が動いている動画を作れます。
I2Vの使いどころ
- お気に入りの静止画をアニメーション化
- キャラクターに表情変化や呼吸などの微細な動きをつける
- 背景を動かして映像的な雰囲気を出す
I2V プロンプトの書き方
ベース画像がある分、細かいキャラクター描写は不要です。どんな動きをするかを中心に記述します。
The character slowly looks up at the camera with a gentle smile, hair moving softly in the breezeNSFW動画生成のためのコツ
モデルの選択
Wan2.1のベースモデルはSFWですが、ComfyUIのワークフローでネガティブプロンプトなどを調整することで対応可能です。また、コミュニティでWan2.1をNSFW向けにファインチューンしたモデルもHugging Faceで公開されています。
プロンプト設計
NSFWシーンの動画は、静止画の描写 + 動きの描写を組み合わせます。
A woman in lingerie slowly removes her clothing, revealing skin, natural soft lighting, bedroom setting, cinematic品質向上のポイント
- 短い動画（5秒以内）から始める——長い動画はアナトミー崩れが発生しやすい
- 大きな動きより微細な動き（呼吸、目線移動、髪のなびき）の方が品質が安定する
- I2Vを使って高品質な静止画から動かす方が、T2Vより安定することが多い
動画品質を上げるパラメータ調整
| パラメータ | 推奨値 | 説明 |
|---|---|---|
| Steps | 20〜30 | 多いほど品質向上（時間も増加） |
| CFG | 5〜7 | 高すぎるとアーティファクト発生 |
| フレーム数 | 49〜81フレーム | 約2〜3秒分（24fps換算） |
| 解像度 | 480×832 または 832×480 | VRAMに応じて調整 |
| Motion Strength（I2V） | 0.5〜0.8 | 動きの強さ。高いほど大きく動く |
AnimateDiffとWan2.1の使い分け
| 比較項目 | AnimateDiff | Wan2.1 |
|---|---|---|
| 動きの自然さ | 普通〜良い | 非常に良い |
| アニメ系との相性 | ◎ | △ |
| リアル系との相性 | ○ | ◎ |
| VRAM要件 | 低い（8GB〜） | 高め（8〜24GB） |
| 生成速度 | 速い | 遅い |
| LoRA対応 | ◎ | 発展中 |
| カメラ制御 | Motion LoRAで可能 | T2Vでプロンプト指定 |
アニメ系キャラを動かしたいなら AnimateDiff + Illustrious/NoobAI の組み合わせがまだ有利です。リアル系・映像的な品質を求めるなら Wan2.1 が上回ります。
よくある問題と対処法
問題1：VRAMエラーが出る
対処：1.3Bモデルを使う。量子化モデル（fp8/int8）を使う。フレーム数を減らす
問題2：動きがガクガクする
対処：StepsをFを増やす（25以上）。Motion Strengthを下げる
問題3：キャラが途中で崩れる
対処：短い動画（5秒以内）から始める。大きな動きを避ける。I2Vで静止画をベースにする
問題4：プロンプトが反映されない
対処：より具体的な動きの描写に変える。英語で記述する。CFGを少し上げる
